CN114218859A - 一种基于人工神经网络的装配约束智能重建方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的装配约束智能重建方法。本发明包括以下步骤：步骤1.对CAD模型预处理，标注CAD模型在机构运动中的装配约束，构建数据集；步骤2.根据装配约束类型的不同，对数据集进行分类筛选；步骤3.基于人工神经网络学习训练，最终得到一个最优网络模型，用于智能重建模型在机构运动中的装配约束。本发明采用学习的方式实现装配约束的智能重建。通过对CAD模型实体上的装配约束进行标注，然后基于人工神经网络进行学习训练，最终得到一个最优网络模型，可以智能重建出机构运动中模型上的装配约束，进而帮助模型实现自动装配，提高产品设计效率。

Description

一种基于人工神经网络的装配约束智能重建方法

技术领域

本发明属于深度学习领域，具体涉及一种基于人工神经网络的装配约束智能重建方法。

背景技术

装配体模型在使用时，例如装配仿真，通常需要内部具有完整的装配约束。对于一堆给定的零件，通常还是依靠人工去构建它们之间的装配约束，这就需要用户耗费大量的时间，同时对操作人员的经验知识要求较高。

目前，针对装配约束自动重建问题的相关研究相对较少，直接能实现本发明目标的相关研究更是少见。相关研究提出通过配准局部坐标系来实现模型的自动装配问题，但这样最终得到的装配体是不存在机构运动语义的，而且装配约束具有单一性。这与实际情况出入较大。在真实工程中，模型间的装配通常是通过几何元素之间的装配约束来完成，其中装配方式多种多样，装配约束也有很多种，不具有唯一性。

考虑到CAD模型中的装配接口是用于与其他CAD模型相接触，并产生相对运动，是产品机构功能的基本元素。为了解决上述问题，本发明以人工确定或自动识别出每个CAD模型上的装配接口为基础，采用学习的方式，基于人工神经网络来智能重建机构运动中的装配约束。

发明内容

本发明以人工确定或自动识别出每个CAD模型上的装配接口为基础，目的在于提供一种基于人工神经网络的装配约束智能重建方法。

本发明采用的技术方案主要包括以下步骤：

步骤1：对CAD模型预处理，标注CAD模型在机构运动中的装配约束，构建数据集。

1-1.对CAD模型预处理，标注模型上实体(如面、边、顶点等)的装配约束。

首先获取模型上的所有实体信息以及实体之间的邻接关系。针对模型在智能重建机构运动中的装配约束，遍历所有实体并对其中用于配合的实体标注相应的装配约束。

然后将每个CAD模型的实体信息和标注信息存储为一个文本文件，命名为实体特征文件。实体之间的邻接关系也以文本文件存储，命名为实体关系文件。

经过预处理，每个CAD模型都以两个文本文件的形式保存：

进一步，所述的实体特征文件存储的实体信息具体包括：

实体的ID号、实体类型以及实体的几何信息(如面的相对面积，边的相对长度等)。同时标注信息的存储不仅包含每个实体上标注的装配约束类型，还会记录实体在配合过程中的相关配合数据，如装配约束标注为同轴心时，需要记录同轴心的配合索引号和对齐的方向。所以实体特征文件中的第一列为实体的ID号，第二列为实体类型，第三、四列为实体的几何信息，最后一列为标注的装配约束类型，第五列到最后第二列为记录的配合数据。其中将实体的几何信息和配合数据作为实体的特征信息。

进一步，所述的对于实体关系文件存储的信息不仅有存在邻接关系的相关实体(用实体的ID号表示)，还有实体之间具体的邻接类型。所以实体关系文件中的第一、二列为存在邻接关系的相关实体的ID号，最后一列为实体之间的邻接类型，如面与面邻接，面与边邻接等。

1-2.将每个CAD模型中的实体和实体之间的邻接关系进行图表示，构造实体属性邻接图。

对于每一个CAD模型，将模型上的所有实体作为图节点，存在邻接关系的相关实体之间用边连接，这样每个CAD模型都能够用一个无向图来表示。然后将实体的特征信息作为图中相应节点的属性信息，实体之间的邻接类型作为图中对应边的属性信息，构造实体属性邻接图。

1-3.扩充数据集，用于神经网络模型的训练。本发明共标注了两万八千个数据集。

步骤2：根据装配约束类型的不同，对数据集进行分类筛选；

为了使得训练后的网络模型可以准确识别各种类别的装配约束，本发明依据装配约束类型的不同，将步骤1中的数据集进行分类。然后从各分类中筛选一定数量的样本，均衡数据集，保证各类装配约束尽可能均匀，从而更好地训练网络模型。

步骤3：基于人工神经网络学习训练，最终得到一个最优网络模型，用于智能重建模型在机构运动中的装配约束；

3-1.提取实体特征

对步骤2分类筛选后的数据集提取实体特征信息以及标签数据，并将提取的这些数据处理成向量形式。其中实体特征信息处理后获得的特征向量作为人工神经网络的输入，输出预测值；在训练过程中，计算预测值与标签数据之间的损失，目标函数就是实现损失最小化，经过测试比较，本发明最终选用交叉熵作为损失函数。最终经训练学习后得到收敛后的最优网络模型。

3-2.搭建人工神经网络模型

本发明搭建的人工神经网络模型由一个Linear层，一个Batch Normalization正则化和一个ReLU单元构成。

3-3.基于人工神经网络进行训练学习和测试评估

每次训练结束后，测试网络模型的准确率，并对得到的准确率进行总结，判断该网络模型是否满足实验要求。若满足实验要求，则结束训练；否则调整网络模型或训练所用的数据集，再次进行训练学习。网络模型的分析和调整，主要从以下两个方面进行网络模型的分析和调整：

1)神经网络中隐藏层的神经元个数。

2)训练时的残差公式系数常量，如学习率等。

本发明有益效果如下：

本发明针对目前CAD模型在机构运动中的装配约束重建困难的问题，以人工确定或自动识别出每个CAD模型上的装配接口为基础，采用学习的方式实现装配约束的智能重建。通过对CAD模型实体上的装配约束进行标注，然后基于人工神经网络进行训练学习，最终得到一个最优网络模型，可以智能重建出机构运动中模型上的装配约束，进而帮助模型实现自动装配，提高产品设计效率。

附图说明

图1为本发明流程图。

图2为一个简单的CAD模型示例。

图3为图2中CAD模型的实体特征文件。

图4为图2中CAD模型的实体关系文件。

图5为图2中CAD模型的实体属性邻接图。

图6为使用训练好的网络模型对示例模型进行测试的大致流程。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，基于人工神经网络的装配约束智能重建方法主要包括以下3个步骤：

步骤1.对CAD模型预处理，标注CAD模型在机构运动中的装配约束，构建数据集；

1-1.对CAD模型预处理，标注模型实体(如面，边，顶点等)上的装配约束。

图2为一个简单的CAD模型示例，首先获取模型上所有的实体以及实体之间的邻接关系。图2中标记出了示例模型的部分实体以及每个实体相应的ID号，如图中标记的实体名称中以F开头的表示该实体拓扑类型为面，如F2、F4、F6等；以E开头的实体拓扑类型为边，如E11、E12、E17等；以V开头的实体拓扑类型为顶点，如V21-V27等。后边紧接的数字表示实体相应的ID号。然后对其中用于配合的实体标注相应的装配约束。

将示例模型的实体信息和标注信息存储为一个文本文件，命名为实体特征文件。实体之间的邻接关系也存储为一个文本文件，命名为实体关系文件。这样示例模型就以两个文本文件的形式保存：

实体特征文件的存储如图3所示，其中第一列为图2中CAD模型对应的实体ID号，最后一列为标注的装配约束类型。中间几列为获取的实体特征信息，包含实体的类型，实体的几何信息(如面的相对面积，边的相对长度等)，还有实体用于配合时的配合数据。以图3中第6行为例，第6行中实体的ID号为6，实体类型为面，标记为1，而且具体为圆柱面，用001表示。圆柱面的相对面积为0.059。最后一列标注的装配约束类型为同向同轴，表示该模型在模型装配中需要添加同向同轴的装配约束来完成配合。

实体关系文件的存储如图4所示，其中第一、二列为存在邻接关系的相关实体的ID号，第三列为实体的邻接类型。以图4中第一行为例，表示ID号为0的实体和ID号为5的实体之间存在邻接关系，且实体的邻接类型为面与面之间邻接。

1-2.将示例模型的实体和邻接关系进行图表示，构造实体属性邻接图。

将图2中示例模型的所有实体作为图节点，存在邻接关系的相关实体之间用边连接，这样就可以得到图5所示的无向图。然后将每个实体的特征信息作为图中相应节点的属性信息，实体之间的邻接类型作为图中对应边的属性信息，构造实体属性邻接图。

步骤2.根据装配约束类型的不同，对数据集进行分类筛选

2-1.依据装配约束类型的不同，将步骤1中标注的数据集进行分类。

依据标签类型分别分为：同向同轴，反向同轴，同向重合，反向重合，同向平行，反向平行，同向距离，反向距离，同向螺旋，反向螺旋，同向相切，反向相切，垂直等13类装配约束。例如图2所示的示例CAD模型中，针对模型的机构运动，对模型F6对应的实体标注同向同轴的装配约束，同时对F4对应的实体标注反向重合的装配约束。

2-2.从各分类中筛选一定数量的样本，保证各类装配约束尽可能均匀，构建均衡的数据集，用于神经网络的训练。

步骤3.基于人工神经网络学习训练，最终得到一个最优网络模型，用于智能重建模型在机构运动中的装配约束；

3-1.提取实体特征

通过步骤2，每一个CAD模型都已经转化成一张实体属性邻接图，而且数据集中各种类别的装配约束分配均匀。我们提取实体属性邻接图中的实体特征向量，作为人工神经网络的输入。

由于每个CAD模型中用于配合的实体不是单一的，且不具有唯一性，因此本发明通过创建双索引来定位每个CAD模型中的每个实体，同时获取该实体对应的实体特征向量。具体方法为：将用于训练的每个CAD模型按序编号，并且以每个模型中的实体ID号作为每个实体的索引号，这样将可以通过检索第i个模型的第j个实体快速获取实体特征向量。

3-2.搭建人工神经网络模型

本发明使用的人工神经网络模型由一个Linear层，一个Batch Normalization正则化和一个ReLU单元构成。

3-3.基于人工神经网络进行训练学习和测试评估

经过人工神经网络的训练学习，计算训练结束后网络模型的装配约束智能重建准确率，对得到的准确率进行分析总结，判断该网络模型是否可行。若满足实验要求，结束训练；否则，调整网络模型或训练所用的数据集，再次进行训练学习。网络模型的分析和调整，主要从以下两个方面进行：

1)神经网络中隐藏层的神经元个数。

2)训练时的残差公式系数常量，如学习率等

如图6所示，使用最终的最优网络模型对图2中的示例模型进行测试，最终可以重建出示例模型上的装配约束。

Claims (6)

1.一种基于人工神经网络的装配约束智能重建方法，其特征在于包含如下步骤：

步骤1：对CAD模型预处理，标注CAD模型在机构运动中的装配约束，构建数据集；

步骤2：根据装配约束类型的不同，对数据集进行分类筛选；

步骤3：基于人工神经网络学习训练，最终得到一个最优网络模型，用于智能重建机构运动中的装配约束。

2.根据权利要求1所述的一种基于人工神经网络的装配约束智能重建方法，其特征在于所述的步骤1具体实现步骤如下：

1-1.对CAD模型预处理，标注模型上实体的装配约束；

首先获取模型上的所有实体以及实体之间的邻接关系；针对模型在机构运动中的装配约束，遍历所有实体并对其中用于配合的实体标注相应的装配约束类型；然后将每个CAD模型的实体信息和标注信息存储为一个文本文件，命名为实体特征文件；实体之间的邻接关系也以文本文件存储，命名为实体关系文件；

1-2.将每个CAD模型的实体和邻接关系进行图表示，构造实体属性邻接图；

对于每一个CAD模型，将模型上的所有实体作为图节点，存在邻接关系的相关实体之间用边连接，这样每个CAD模型都可以用一个无向图来表示；然后将实体的特征信息作为图中相应节点的属性信息，实体之间的邻接类型作为图中对应边的属性信息，构造实体属性邻接图；

1-3.扩充数据集，用于神经网络模型的训练。

3.根据权利要求2所述的一种基于人工神经网络的装配约束智能重建方法，其特征在于每个CAD模型都以两个文本文件的形式保存；所述的实体特征文件存储的实体信息具体包括：实体的ID号、实体类型以及实体的几何信息；同时标注信息的存储，不仅包含每个实体上标注的装配约束类型，还会记录实体在配合过程中的相关配合数据，如装配约束标注为同轴心时，需要记录同轴心的配合索引号和对齐的方向；所以实体特征文件中的第一列为实体的ID号，第二列为实体类型，第三、四列为实体的几何信息，最后一列为标注的装配约束类型，第五列到最后第二列为记录的配合数据；其中将实体的几何信息和配合数据作为实体的特征信息。

4.根据权利要求2或3所述的一种基于人工神经网络的装配约束智能重建方法，其特征在于所述的实体关系文件，存储的信息不仅存在邻接关系的相关实体，用实体的ID号表示，还有实体之间具体的邻接类型；所以实体关系文件中的第一、二列为存在邻接关系的相关实体的ID号，最后一列为实体之间的邻接类型，邻接类型包括如面与面邻接，面与边邻接。

5.根据权利要求4所述的一种基于人工神经网络的装配约束智能重建方法，其特征在于步骤2中根据装配约束类型的不同，对数据集进行分类筛选，具体步骤如下：

2-1.依据装配约束类型的不同，将步骤1中标注的数据集进行分类；依据标签类型分别分为：同向同轴、反向同轴、同向重合、反向重合、同向平行、反向平行、同向距离、反向距离、同向螺旋、反向螺旋、同向相切、反向相切和垂直13类装配约束；

2-2.从各分类中筛选一定数量的样本，保证各类装配约束的样本数量尽可能均匀，构建均衡的数据集。

6.根据权利要求5所述的一种基于人工神经网络的装配约束智能重建方法，其特征在于步骤3具体步骤如下：

3-1.提取实体特征

对步骤2的数据集提取实体特征信息以及标签，并将这些数据处理成向量形式；其中实体特征信息处理后获得的特征向量作为人工神经网络的输入，输出预测值；在训练过程中，计算预测值与标签之间的损失，目标函数就是实现损失最小化，最终得到收敛后的最优网络模型；

3-2.搭建人工神经网络模型

搭建的人工神经网络模型由一个Linear层、一个Batch Normalization正则化和一个ReLU单元构成；

3-3.基于搭建的人工神经网络进行训练学习和测试评估

每次训练结束后，测试网络模型的准确率，并对得到的准确率进行判断，判断该网络模型是否满足实验要求；若满足实验要求，结束训练；否则调整网络模型或训练所用的数据集，再次进行训练学习。

Images